MATLAB: помощь, необходимая для кластеризации самоорганизующейся карты (SOM)

Question

Я пытаюсь скопировать некоторые изображения в зависимости от углов между частями тела.

Функции, извлеченная из каждого изображения являются:

angle1 : torso - torso 
angle2 : torso - upper left arm 
.. 
angle10: torso - lower right foot 

Поэтому входные данные представляет собой матрицу размера 1057x10, где 1057 означает количество изображений, а 10 углов частей тела с туловищем. Аналогично, testSet представляет собой матрицу 821x10.

Я хочу, чтобы все строки входных данных были сгруппированы с 88 кластерами. Затем я буду использовать эти кластеры, чтобы найти, в какие кластеры входит TestData?

В предыдущей работе я использовал K-Means clustering, что очень просто. Мы просто просим K-Means скопировать данные в 88 кластеров. И реализуйте другой метод, который вычисляет расстояние между каждой строкой в ​​тестовых данных и центрами каждого кластера, а затем выбирает наименьшие значения. Это кластер соответствующей строки входных данных.

У меня есть два вопроса:

(1) Можно ли сделать в MATLAB это с помощью SOM? AFAIK SOM предназначены для визуальной кластеризации. Но мне нужно знать фактический класс каждого кластера, чтобы впоследствии я мог пометить свои тестовые данные, вычислив, к какому кластеру принадлежит.

(2) У вас есть лучшее решение?

Answer 1

Self-Organizing Map (SOM) - метод кластеризации, рассматриваемый как неконтролируемый вариант Artificial Neural Network (ANN). Он использует конкурентных методы обучения для обучения сети (узлы конкурируют между собой, чтобы показать самую сильную активацию данных данных)

Вы можете думать о СДЛ, как будто он состоит из сетки взаимосвязанных узлов (квадратная форма, гексагональная, ...), где каждый узел представляет собой вектор N-мерных весов (такой же размер, как и те точки данных, которые мы хотим скопировать).

Идея проста; заданный вектором в качестве входа в SOM, мы найдем узел closet, затем обновим его веса и веса соседних узлов, чтобы они приблизились к весам входного вектора (отсюда самоорганизация имени). Этот процесс повторяется для всех входных данных.

кластеры, образованные неявно определяются как узлы самоорганизации и образуют группу узлов с одинаковыми весами. Их можно легко увидеть визуально.

SOM находятся в аналогии с K-Means algorithm, но отличается тем, что мы не навязываем фиксированное количество кластеров, а не мы определяем количество и форму узлов в сетке, что мы хотим его адаптироваться к нашим данным.

В основном, когда у вас есть обученный SOM, и вы хотите, чтобы классифицировать новый тест входного вектора, вы просто назначить его на ближайший (расстояние в качестве меры подобия) узла на сетке (Best Matching Unit БМУ), и дать в качестве предсказания класс [большинства] векторов, принадлежащих этому узлу BMU.

Для MATLAB, вы можете найти ряд инструментариев, которые реализуют SOM:

• Neural Network Toolbox от MathWorks может быть used для clustering using SOM (см инструмента nctool кластерных).
• Также стоит проверить это SOM Toolbox